基于改進ELM的井下指紋定位算法

作者簡介：李宏遠（1999— ），男，碩士研究生；研究方向：智能算法及礦井人員定位。

摘要：針對目前井下定位系統直接測距精度不高的問題，文章提出了一種基于改進極限學習機（Extreme Learning Machine，ELM）的井下人員定位算法。文章選用基于指紋的位置匹配模型，通過引入萊維飛行策略和模擬退火機制，對禿鷹算法進行改進，采用改進禿鷹優化算法（Improved Bald Eagle Search Optimization Algorithm，IBES）優化ELM模型，旨在提高定位模型的收斂速度和全局搜索能力。仿真實驗結果表明，所提IBES-ELM方法的平均定位誤差為0.71 m，定位精度優于BES-ELM和K近鄰（K-nearest Neighbor，KNN）及其衍生算法，驗證了文章算法具有更好的預測性能和穩定性。

關鍵詞：井下定位；位置指紋；改進禿鷹算法；極限學習機

中圖分類號：TP391.41" 文獻標志碼：A

0" 引言

在現代社會，定位技術已經被廣泛應用于各行各業。目前，許多高質量的定位軟件程序，例如：高德地圖、模擬定位等，被廣泛地應用于社會的各個方面。一些復雜的室內環境，如地下礦山、化工廠等，對室內定位的需求顯著增加。目前，主要的定位技術包括基于Wi.Fi［1］、低功耗藍牙［2］和射頻［3］等，井下指紋定位技術在礦山、地下隧道等井下環境中展現了巨大的應用潛力。極限學習機模型應用于位置指紋定位，為井下定位提高定位精度提供了新思路。

趙坤等［4］提出一種改進的布谷鳥算法優化ELM算法，解決了觀測信號的干擾問題。霍閃閃等［5］提出一種改進的烏鴉搜索優化算法訓練ELM的方法，提高了收斂速度。張恩輔等［6］引入了模擬退火的思想，成功克服了傳統麻雀算法易受局部極值問題的困擾。上述研究證明了利用優化算法改進神經網絡可以實現對復雜環境進行精確、有效的定位。

本研究將基于改進禿鷹算法優化極限學習機模型應用在井下指紋定位技術中，通過實驗驗證改進的模型在井下指紋定位中的性能，并與其他定位算法進行比較，以證明其有效性和穩定性。

1" 位置指紋定位原理

指紋定位技術可以看作是結合RSSI技術與匹配算法的一種定位方法。該方法定位流程分為兩個階段：離線階段，選擇合適的采樣點密度作為定位區域，在該區域內隨機放置信號接入點并記錄位置坐標。將區域劃分為若干個定位網格，其坐標稱作參考點。采集每個采樣點的RSSI信息并存儲在數據庫中。RSSI數據和該參考點的坐標相關聯組成位置指紋，建立位置指紋數據庫。

假設在待定區域內，根據井下環境均勻選取RP作為參考點，設AP為信號接入點。每個參考點采樣F次，在第i個參考點RPi處采集的第j個APj的RSSI值，記為：

RSSIij=（RSSIi1，RSSIi2，...，RSSIij，...，RSSIin）（1）

在線階段，首先通過對定位區域內的無線信號進行采樣，然后通過對采集到RSSI和數據庫中的指紋信息進行比對，選擇與位置指紋庫中的相似度較高的位置，并將該點坐標作為用戶的實時定位信息。

2" 改進禿鷹搜索算法優化ELM預測模型

2.1" 極限學習機

極限學習機（Extreme Learning Machine， ELM）算法是黃光斌［7］提出的一種基于隨機化的單隱含層神經網絡，分為輸入層、隱藏層和輸出層3個部分。與傳統的神經網絡算法相比，ELM模型的訓練速度更快，預測精度更高。

假設一個包含有N個位置指紋數據的訓練集（xi，yi），xi為輸入矩陣，yi為輸出矩陣，其中xi=［xi1，xi2，…，xin］，yi=［yi1，yi2，…，yim］T。ELM網絡結構的輸出模型表示為：

yi=∑lj=1βjvi（ωjxi+bj），j=1，2，…N" （2）

其中，v（x）為隱含層神經元的激活函數。通過不斷更新求解方程得到輸出權重β，使誤差逐漸降低為接近0的微小誤差ε。

2.2" BES 算法

禿鷹搜索優化算法（Bald Eagle Search Optimization Algorithm）是一種基于生物學啟發的優化算法，模擬了禿鷹捕食的行為。在捕食過程中，通過獵物的行為和環境信息，選擇最佳的捕食策略。BES算法分為選擇、搜索、俯沖3個階段。

2.2.1" 選擇階段

最優捕獵區域通過獵物數目來判斷，禿鷹飛到當前最優個體附近時的距離由全部個體的平均位置決定。這個階段可以由以下公式表示：

Pnew，i=Pbest+α×r（Pmean-Pi）" （3）

2.2.2" 搜索階段

禿鷹會圍繞當前位置，在選定搜索區域內部以阿基米德螺線方式搜索獵物，加快搜索俯沖捕獲位置的進度，這一階段表示如下：

Pnew，i=Pi+x（i）×（Pi-Pmean）+y（i）×（Pi-Pi+1）（4）

2.2.3" 俯沖階段

禿鷹以螺線的方式在當前最優位置周圍搜索。它在搜索空間中從最佳位置搖擺到目標獵物。用極坐標方程來描述運動狀態如下：

Pnew，i=rand×Pbest+x1（i）×（Pi-c1×Pmean）+y1（i）×（Pi-c×Pbest）（5）

在俯沖階段，如果搜索得到的新位置優于原位置，禿鷹則會飛行到新位置，否則留在原地。

3" 基于IBES-ELM的指紋定位

IBES算法的基本思想是在禿鷹搜索算法 （Bald Eagle Search，BES） 的基礎上增強搜索鄰域的局部搜索能力，提高禿鷹在既定空間內搜索獵物的能力，從而綜合改進BES算法的尋優能力［8］。

將Levy飛行策略引入禿鷹搜索優化中作用于參數部分，以增強信息交流，改善全局最優化效果，跳出局部最優解，找到全局最優解。Levy飛行策略中粒子的移動步長服從Levy分布，其服從隨機步長為s的分布公式，即

Levy（s）～u=t－（1+β），β∈（0，2］（6）

在應用Levy飛行策略時，通過合理地調整參數，以適應特定環境。引入萊維飛行策略后公式（5）修改為：

Pnew，i=Pbest+α×r（Pmean-Pi）×Levy（7）

BES算法和模擬退火（Simulated Annealing， SA）算法都是在搜索問題中常用的優化算法。模擬退火算法作為禿鷹搜索的優化算子，更精準地俯沖捕獲獵物，從而改善全局求解質量。

IBES-ELM算法應用到基于Wi.Fi的位置指紋定位中。在離線訓練過程中，輸入井下RP點的RSSI數據，并以參考點的位置信息為輸出。在線定位過程中，將目標節點的RSSI值輸入訓練好的模型中，從而預測該區域內的目標位置。

第1期2024年1月無線互聯科技·研究創新No.1January，2024

第1期2024年1月無線互聯科技·研究創新No.1January，2024

4" 驗證與分析

4.1" 實驗設計

本文利用MATLAB對井下Wi.Fi位置指紋定位進行了仿真。位置指紋庫的詳細信息如表1所示。實驗采用MATLAB R2022b作為仿真平臺，計算機配置為16 GB運行內存、Intel（R）i9-12900H@2.50 GHz。

該位置指紋庫設定為狹長巷道，分為2個區域，采樣點1個單位間隔表示1.8 m，隨機選擇125個參考點用于區域分割，5個AP節點為定點，X和Y為定位點的橫縱坐標。隨機選取訓練樣本中的20組數據作為測試集樣本。參數設置、迭代次數相同，將所提算法與經典位置指紋定位算法KNN、WKNN進行比較。選擇平均絕對誤差、均方誤差、決定系數來評估定位模型的性能。

4.2" 實驗結果與分析

為更好地顯示所提算法的性能，采用相同的訓練樣本與測試樣本，分別對定位方法進行建模。比較各個模型的預測結果。用在相同的條件下采集的測試集數據進行測試。得到IBES-ELM、BES-ELM、ELM模型的MAE、RMSE、R2分別為0.315、0.877、0.994 07，0.916、1.377、0.962，1.744、2.252、0.579。所提算法的MAE最小，與真實值之間誤差最小；IBES-ELM模型預測產生的均方根誤差最小；R2指標越大表示模型預測結果更準確。

由圖1可知，由圖所示算法的平均定位誤差分別為0.71m、1.87m、3.0m、1.65m、2.85m。本文算法的定位平均誤差優于BES-ELM等算法。定位模型經過訓練集數據訓練后，處理同樣的測試集數據，IBES-ELM模型的預測結果更加接近于真實坐標。

由圖1、圖2可知：本文所提算法的定位誤差在0.5m以下的概率為41%，比ELM和BES-ELM法分別提高35%和20%；1m以下概率為72%，比KNN和WKNN經典指紋定位算法分別提高42%和52%；本文算法在誤差2m以下的累積分布概率為89%，比原BES-ELM算法高19%；改進算法4m以內精度最先達到100%。綜合分析定位精度和定位效率，可以看出相較于經典KNN算法和原BES-ELM算法，IBES-ELM算法定位精度得到有效提高。

5" 結語

針對井下定位過程中指紋匹配定位不準確的問題，文章提出了基于改進BES優化ELM模型的匹配算法。通過引入萊維飛行策略和模擬退火機制，優化禿鷹搜索算法的選擇區域和搜索階段，改進BES算法全局尋優和準確捕獵能力。本研究通過應用IBES算法，對極限學習機的輸入權重和隱含層閾值進行優化，進一步提高極限學習機模型的性能，通過IBES-ELM算法實現定位。

實驗結果表明，本文所提算法平均定位精度達到0.71m，相比于BES-ELM、ELM算法以及經典KNN、WKNN算法，定位精度得到有效提高，IBES-ELM模型具有更好的預測性能和穩定性。

參考文獻

［1］劉夏，莫樹培，何惠玲，等.基于優化RBF神經網絡的無線室內定位［J］.電訊技術，2019（11）：1261-1267.

［2］張亞磊，王堅，韓厚增，等.藍牙室內測距模型研究與精度分析［J］.測繪科學，2021（3）：1-7，66.

［3］王哲，鄭嘉利，李麗，等.蝗蟲群優化和極限學習機相結合的RFID室內定位算法［J］.計算機科學，2019（12）：120-125.

［4］趙坤，覃錫忠，賈振紅.采用改進的布谷鳥算法優化極限學習機［J］.計算機仿真，2018（11）：236-241.

［5］霍閃閃，蘇兵，王章權，等.基于改進烏鴉搜索算法的極限學習機分類方法［J］.計算機仿真，2023（8）：370-375，487.

［6］張恩輔，段冰冰，劉津平，等.基于改進麻雀搜索算法的優化型極限學習機［J］.軟件工程，2023（9）：18-24.

［7］HUANG G B， ZHU Q Y， SIEW C K.Extreme learning machine： theory and applications［J］.Neurocomputing， 2006（1-3）：489-501.

［8］賈鶴鳴，姜子超，李瑤.基于改進禿鷹搜索算法的同步優化特征選擇［J］.控制與決策，2022（2）：445-454.

（編輯" 王永超）

Downhole fingerprint localization algorithm based on improved ELM

Li" Hongyuan， Zheng" Jianming

（School of Information and Control Engineering， Jilin Institute of Chemical Technology， Jilin 132022， China）

Abstract： Aiming at the problem that the direct ranging accuracy of the current downhole positioning system is not high， and a downhole personnel positioning algorithm based on improved extreme learning machine is proposed. A fingerprint-based position matching model is selected， and the bald eagle algorithm is improved by introducing the Lvy flight strategy and the simulated annealing mechanism， and the ELM model is optimized by the improved bald eagle search optimization algorithm， which is designed to improve the convergence speed of the localization model and the global search. The optimized ELM model is designed to improve the convergence speed and global search capability of the localization model. The simulation experiment results show that the average localization error of the proposed IBES-ELM method is 0.71 m， and the localization accuracy is better than that of BES-ELM and K-nearest neighbor and its derivative algorithms， which verifies that the algorithm of the article has better prediction performance and stability.

Key words： downhole positioning; location fingerprinting; improved bald eagle algorithm; extreme learning machine